Year: 2020
Type: article
Abstract: 肝脏肿瘤的精确分割是肝脏疾病诊断、手术计划和术后评估的重要步骤。计算机断层成像（computed tomography，CT）能够为肝脏肿瘤的诊断和治疗提供更为全面的信息，分担了医生繁重的阅片工作，更好地提高诊断的准确性。但是由于肝脏肿瘤的类型多样复杂，使得分割成为计算机辅助诊断的重难点问题。肝脏肿瘤CT图像的深度学习分割方法较传统的分割方法取得了明显的性能提升，并获得快速的发展。通过综述肝脏肿瘤图像分割领域的相关文献，本文介绍了肝脏肿瘤分割的常用数据库，总结了肝脏肿瘤CT图像的深度学习分割方法：全卷积网络（fully convolutional network，FCN）、U-Net网络和生成对抗网络（generative adversarial network，GAN）方法，重点给出了各类方法的基本思想、网络架构形式、改进方案以及优缺点等，并对这些方法在典型数据集上的性能表现进行了比较。最后，对肝脏肿瘤深度学习分割方法的未来研究趋势进行了展望。
Source: Journal of Image and Graphics
DOI: 10.11834/jig.200234
Authors: Jinlin Ma, Yuanyuan Deng, Ziping Ma
Language: English
Subfield: Computer Vision and Pattern Recognition
Field: Computer Science
Domain: Physical Sciences
Open Access status: bronze
OpenAlex ID: W4403272248